O método novo podia ajudar doutores a evitar tratamentos ineficazes ou desnecessariamente arriscados

Em um ajuste usual da gestão, depois que uma pessoa teve um cardíaco ou um curso de ataque, os modelos de risco algorítmicos são usados para calcular o risco de morte para o paciente. Estes algoritmos ou modelos utilizam vários factores tais como a idade do paciente, do género, da história precedente, dos antecedentes familiares, da afiliação étnica etc.

O tratamento do paciente é guiado frequentemente por estes modelos. Um estudo novo mostrou que em muitos casos estes modelos não prevêem os riscos exactamente. Isto pode conduzir às escolhas do tratamento que são desnecessárias ou ineficazes e mesmo arriscadas para os pacientes. O estudo novo foi publicado na medicina de Digitas. O estudo é intitulado, identificando previsões incertas em modelos de risco clínicos”.

Crédito de imagem: Fotos do CI/Shutterstock
Crédito de imagem: Fotos do CI/Shutterstock

O autor principal Collin Stultz, um professor da engenharia elétrica e a informática no MIT e um cardiologista no Hospital Geral de Massachusetts e professor de ciências e tecnologia da saúde, um membro do instituto do MIT para a engenharia médica e as ciências e do laboratório de investigação da eletrônica, e um membro do associado do laboratório da informática e da inteligência artificial, disse, “cada modelo de risco é avaliado em algum conjunto de dados dos pacientes, e mesmo se tem a precisão alta, tem nunca 100 por cento exacto na prática. Haverá alguns pacientes para que o modelo obterá a resposta errada, e aquele pode ser desastroso.” Trabalhou ao lado de outros pesquisadores do MIT, do laboratório de MIT-IBM AI, e da universidade da Faculdade de Medicina de Massachusetts. Um dos autores era o aluno diplomado Paul Myers do MIT que conduziu o estudo. Olharam o sucesso da capacidade do modelo estão prevendo o risco. Disseram que a validação destes modelos pode ajudar os médicos a escolher o tratamento apropriado para estes pacientes.

A equipe explica que estes modelos de computador podem ajudar a prever o risco de eventos adversos nos pacientes do cardíaco de ataque e no curso. Estes máquina-estão aprendendo os algoritmos que olham os conjunto de dados e os factores de cada um dos pacientes para avaliar os resultados da saúde. Stultz explicou que estes algoritmos são geralmente exactos, “o pensamento muito pequeno entrou em identificar quando um modelo é provável falhar.” “Nós estamos tentando criar uma SHIFT na maneira que os povos pensam sobre estes modelos deaprendizagem. Pensar sobre quando aplicar um modelo é realmente importante porque a conseqüência de ser errada pode ser fatal,” ele adicionou. Disse que um paciente do risco elevado não pode ser classificado correctamente e assim não pode receber o tratamento ele ou mereceu e alguém que é de baixo-risco se misclassified pode receber o tratamento desnecessariamente arriscado.

Para este estudo usaram a contagem de uso geral do risco de GRACE (registro global de eventos coronários agudos) a equipe olhada os efeitos do modelo em grandes bases de dados dos pacientes para ver a precisão do modelo em suas previsões. As ajudas modelo prevêem o risco de morte de uns seis meses pacientes após um evento coronário agudo. Este modelo usa factores tais como a idade, pressão sanguínea, frequência cardíaca e outros sinais e sintomas clínicos, explicaram os pesquisadores. Para ver se o modelo era exacto geraram da “uma contagem insegurança” para o modelo. A contagem estava entre 0 e 1. Se a contagem era próxima a 1, significou que a previsão era mais incerta. Dois modelos da contagem do risco podiam ser comparados usando esta contagem da insegurança disseram os pesquisadores.
Stultz disse que se ambos os modelos de risco vieram acima com previsões diferentes, significou que a confiança de uma ou outra contagem era baixa. Adicionou, “o que nós mostramos neste papel somos, se você olha os pacientes que têm as contagens as mais altas da insegurança -- no 1 por cento superior -- a previsão do risco para esse paciente rende a mesma informação que lançando uma moeda. Para aqueles pacientes, a contagem de GRACE não pode discriminar entre aquelas que morrem e aquelas que não fazem. É completamente inútil para aqueles pacientes.”

A equipe escreveu em conclusão, “usando dados de mais de 40.000 pacientes no registro global de eventos coronários agudos (GRACE), nós demonstramos que os pacientes com insegurança alta marcam o formulário um subgrupo em que o modelo com carácter de previsão tem a precisão diminuída e a capacidade discriminatória diminuída.”

A equipe encontrou que diversos factores no conjunto de dados poderiam ser predictors da insegurança das contagens e este incluiu a idade do paciente assim como de outros factores de risco da doença cardíaca. Stultz disse que este modelo de estudo ajudado a comparar dois modelos de risco sem criar um modelo novo para avaliar o risco do paciente. Explicou, “você não precisa o acesso ao conjunto de dados do treinamento próprio a fim computar esta medida da insegurança, e aquela é importante porque há as edições da privacidade que impedem que estes conjunto de dados clínicos sejam extensamente acessíveis aos povos diferentes.”

Como um passo seguinte, a equipe é agora de projecto e reworking no modelo da contagem do risco de modo que seja mais seguro e prever o resultado paciente mais exactamente. Planeiam em incluir mais pacientes na base de dados de modo que os modelos pudessem ser treinados novamente e utilizado em uma maneira mais frutuosa diga os pesquisadores. Stultz disse, “se o modelo é simples bastante, a seguir treinar novamente um modelo pode ser rápida. Você poderia imaginar uma série inteira do software integrada no registo de saúde eletrônico que lhe diria automaticamente que se uma contagem particular do risco é apropriada para um paciente dado, e para tentar então fazer coisas sobre - - voe, como os modelos novos do retreinamento que puderam ser mais apropriados.”

Journal reference:

Myers, P.D., Ng, K., Severson, K. et al. Identifying unreliable predictions in clinical risk models. npj Digit. Med. 3, 8 (2020). https://doi.org/10.1038/s41746-019-0209-7, https://www.nature.com/articles/s41746-019-0209-7

Dr. Ananya Mandal

Written by

Dr. Ananya Mandal

Dr. Ananya Mandal is a doctor by profession, lecturer by vocation and a medical writer by passion. She specialized in Clinical Pharmacology after her bachelor's (MBBS). For her, health communication is not just writing complicated reviews for professionals but making medical knowledge understandable and available to the general public as well.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Mandal, Ananya. (2020, January 23). O método novo podia ajudar doutores a evitar tratamentos ineficazes ou desnecessariamente arriscados. News-Medical. Retrieved on March 29, 2020 from https://www.news-medical.net/news/20200123/New-method-could-help-doctors-avoid-ineffective-or-unnecessarily-risky-treatments.aspx.

  • MLA

    Mandal, Ananya. "O método novo podia ajudar doutores a evitar tratamentos ineficazes ou desnecessariamente arriscados". News-Medical. 29 March 2020. <https://www.news-medical.net/news/20200123/New-method-could-help-doctors-avoid-ineffective-or-unnecessarily-risky-treatments.aspx>.

  • Chicago

    Mandal, Ananya. "O método novo podia ajudar doutores a evitar tratamentos ineficazes ou desnecessariamente arriscados". News-Medical. https://www.news-medical.net/news/20200123/New-method-could-help-doctors-avoid-ineffective-or-unnecessarily-risky-treatments.aspx. (accessed March 29, 2020).

  • Harvard

    Mandal, Ananya. 2020. O método novo podia ajudar doutores a evitar tratamentos ineficazes ou desnecessariamente arriscados. News-Medical, viewed 29 March 2020, https://www.news-medical.net/news/20200123/New-method-could-help-doctors-avoid-ineffective-or-unnecessarily-risky-treatments.aspx.